TensorFlow学习笔记----例子（2）

使用TensorFlow中的梯度下降法构建线性学习模型的使用示例：（来源：https://morvanzhou.github.io/tutorials/machine-learning/tensorflow/2-2-example2/）

#导入TensorFlow python API库
import tensorflow as tf
import numpy as np
#随机生成100点（x，y），type为float32,因为TensorFlow中大部分数据形式都为float32
x_data = np.random.rand(100).astype(np.float32)
y_data = x_data * 0.1 + 0.3

#构建TensorFlow structure start#
#构建线性模型的tensor变量W, b;W初始值为（-1，1）的数，b为0；
W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))
b = tf.Variable(tf.zeros([1]))
y = W * x_data + b
#构建损失方程，优化器optimizer及训练模型操作train减少loss,0.5为学习效率
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
#构建变量初始化操作init
init = tf.initialize_all_variables()
#构建TensorFlow structure end#

#构建TensorFlow session
sess = tf.Session()

#初始化所有TensorFlow变量，激活
sess.run(init)

#训练该线性模型，每隔20次迭代，输出模型参数
for step in range(201):
    sess.run(train)
    if step % 20 == 0:
        print(step, sess.run(W), sess.run(b))

tf.random_uniform([1],-1.0,1.0):构建一个tensor，张量shape为[1]（即一维数组，里面包含1个元素），值符合[-1,1)均匀分布。

tf.Variable(initial_value=None):构建一个新变量，该变量常用来表示图中的各个计算参数，比方说激活函数中的W、b等。变量会加入到TensorFlow框架图集合中。

tf.zeros([1]):构建一个所有元素为0的tensor,shape为[1]

tf.square(x,name=None):计算tensor的平方值。

tf.reduce_mean(input_tensor):计算input_tensor中所有元素的均值。

tf.train.GradientDescentOptimizer(0.5)：构建一个梯度下降优化器，0.5为学习速率。

optimizer.minimize(loss)：构建一个优化算子操作。使用梯度下降法计算损失方程的最小值。loss为需要被优化的损失方程。

tf.initialze_all_variables():初始化所有TensorFlow的变量。变量一定要初始化才能有值。

tf.Session():创建一个TensorFlow的session，在该session中会运行TensorFlow的图计算模型。

sess.run()：在session中执行图模型的运输操作。如果参数为tensor时，可以用来求tensor的值。

运行结果：W越来越接近0.1，b越接近0.3